digilib.uinsby.ac.iddigilib.uinsby.ac.id/39760/4/laporan penelitian lppm 2017...kecepatan arus laut...

digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id digilib.uinsby.ac.id

iii

iii

ABSTRAK

Indonesia sebagai negara kepulauan berdampak pada mayoritas penduduknya bekerja di sektor

laut. Bersamaan dengan semakin meningkatnya aktivitas di laut, mengakibatkan semakin

banyaknya insiden dan kecelakaan di laut khususnya yang dialami para nelayan. Perancangan

sistem prediksi cuaca maritim pada penelitian ini menggunakan model Adaptive Neuro Fuzzy

Inference System – Time Series dengan tujuan dapat memprediksi cuaca maritim untuk

mengantisispasi berbagai kemungkinan yang terjadi dan untuk mengurangi serta meminimalkan

dampak yang dapat merugikan masyarakat khususnya para nelayan di perairan Gresik. Pada

penelitian ini prediksi difokuskan pada prediksi kecepatan arus, curah hujan dan ketinggian

gelombang sehingga input variable yang digunakan dalam penelitian ini adalah inputan masing-

masing variabel untuk dua jam sebelumnya, satu jam sebelumnya, dan pada saat itu serta output

sistem ini adalah prediksi satu jam, enam jam, dua belas jam dan satu hari kedepan dari variabel

kecepatan arus laut (cm/s) dan ketinggian gelombang (m) sedangkan untuk variabel curah hujan

hanya prediksi satu hari kedepan. Hasil penelitian menunjukkan bahwa prediksi kecepatan arus ke

depan dengan menggunakan Adaptive Neuro Fuzzy Inference System – Time Series mencapai

16.97327 cm/s; 13.22302 cm/s; 10.21107 cm/s; 14.09871 cm/s. dengan error mean sebasar

0.12993; 1.5758; 1.3182; 0.82613. Adapun prediksi ketinggian gelombang mencapai 0.45554 m;

0.48286 m; 0.46395 m; 0.54571 m dengan error mean masing-masing sebesar 0.0012247;

0.018619; 0.046584; 0.060206 untuk selang waktu 1 jam, 6 jam, 12 jam dan 24 jam. Sedangkan

untuk prediksi curah hujan satu hari kedepan mencapai 1.60724 mm/day dengan RMSE mencapai

0.57819. Dengan demikian pada 1 Januari 2017 masyarakat perairan jawa khusunya di wilayah

Gresik aman dalam melakukan pelayaran.

Keywords : Prediksi Cuaca Maritim, ANFIS Time Series


iv

iv

ABSTRACT

Indonesia is an archipelago. Consequently, the majorities are working around the sea such as a

fisherman. While the number of activities at sea are increasing more accident occurred are rising.

This research presents marine weather prediction system using Adaptive Neuro Fuzzy Inference

System – Time Series in order to anticipate bad weather and reduce risk. This method use both

ocean current, rainfall and wave height at Java Sea particularly on Gresik in order to forecast

ocean current velocity and wave height. Input variables used in this paper are data at (t), an hour

before (t-1), and two hours before (t-2) and obtained next hour, next 6 hours, next 12 hours, and

next day prediction as output. But the rainfall, just next day prediction. The results indicate that

ocean current speed attain 16.97327 cm/s; 13.22302 cm/s; 10.21107 cm/s; 14.09871 cm/s with

mean error is about 0.12993; 1.5758; 1.3182; 0.82613 while wave height reach 0.45554 m;

0.48286 m; 0.46395 m; 0.54571 m with mean error is about 0.0012247; 0.018619; 0.046584;

0.060206. and The results indicate that rainfall attain 1.60724 mm/day with RMSE is about

0.57819.Therefore, it was safe to sailing on 1st January 2016.

Keywords: Marine Weather Prediction, ANFIS Time Series


v

v

KATA PENGANTAR

Assalamu’alaikum Wr. Wb.

Puji dan syukur penulis haturkan kepada Allah SWT atas segala rahmat

serta hidayah-Nya, sehingga laporan penelitian ini dapat peneliti selesaikan

dnegan baik. Sholawat serta salam juga patut dihaturkan kepada junjungan

Rosulullah Muhammad SAW.

Ucapan terima kasih yang sebesar-besarnya kepada Lembaga Penelitian

dan Pengabdian Masyarakat (LP2M) UIN Sunan Ampel Surabaya yang telah

memberikan bantuan berupa materi sehingga penelitian ini dapat terselesaikan

dengan baik. Terima kasih juga peneliti sampaikan kepada Badan Metereologi,

Klimatologi, dan Geofisika Perak Surabaya yang telah bersedia memberikan data

untuk penelitian ini yang tentu masih jauh dari kata sempurna. Sehingga masih

dimungkinkan perlu disempurkan lagi. Oleh karena itu saran dan kritik yang

membangun senantiasa peneliti harapkan demi kesempurnaan laporan ini.

Wassalamu’alaikum Wr. Wb

Surabaya, 6 Oktober 2017

Penulis


vi

vi

DAFTAR ISI

LEMBAR PERSETUJUAN DAN PENGESAHAN .............................................. ii

ABSTRAK ............................................................................................................. iii

ABSTRACT ........................................................................................................... iv

KATA PENGANTAR ............................................................................................ v

DAFTAR ISI .......................................................................................................... vi

DAFTAR TABEL ................................................................................................ viii

DAFTAR GAMBAR ............................................................................................. ix

BAB I PENDAHULUAN ...................................................................................... 1

A. Latar Belakang ............................................................................................. 1

B. Rumusan Masalah ........................................................................................ 5

C. Tujuan Penelitian ......................................................................................... 5

D. Kegunaan Penelitian .................................................................................... 6

E. Penelitian Terdahulu .................................................................................... 6

F. Sistematika Pembahasan .............................................................................. 6

BAB II KAJIAN PUSTAKA .................................................................................. 9

A. Cuaca dan Cuaca Maritim ............................................................................ 9

BAB III METODE PENELITIAN ....................................................................... 22

A. Jenis Penelitian ........................................................................................... 22


vii

vii

B. Analisis Kebutuhan .................................................................................... 22

C. Pengujian dan Evaluasi .............................................................................. 23

BAB IV HASIL PENELITIAN ............................................................................ 26

A. Penyajian Data ........................................................................................... 26

B. Hasil ........................................................................................................... 28

BAB V PEMBAHASAN DAN DISKUSI PENELITIAN .................................. 53

A. Pembahasan ................................................................................................ 53

BAB VI PENUTUP ............................................................................................. 58

A. Kesimpulan ................................................................................................ 58

B. Rekomendasi .............................................................................................. 59

DAFTAR PUSTAKA ........................................................................................... 60

LEMBAR PERSETUJUAN DAN PENGESAHAN .............................................. ii

ABSTRAK ............................................................................................................. iii

ABSTRACT ........................................................................................................... iv

KATA PENGANTAR ............................................................................................ v

DAFTAR ISI .......................................................................................................... vi

DAFTAR TABEL ................................................................................................ viii

DAFTAR GAMBAR ............................................................................................. ix


viii

viii

DAFTAR TABEL

Tabel 4.1. Sampel Data Kecepatan Arus dan ketinggian Gelombang ....... 26

Tabel 4.2. Sampel Data Curah Hujan ........................................................ 27

Tabel 5.1. Nilai-nilai Prediksi Kecepatan Arus ......................................... 53

Tabel 5.2. Nilai-nilai Prediksi Curah Hujan .............................................. 55

Tabel 5.3. Nilai-nilai Prediksi Ketinggian Gelombang.............................. 55


ix

ix

DAFTAR GAMBAR

Gambar 2.1. Fungsi Keanggotaan Segitiga .................................................. 17

Gambar 2.2. Fungsi Keanggotaan Trapesium .............................................. 17

Gambar 2.3. Fungsi Keanggotaan Gauss (Gaussian) ................................... 18

Gambar 2.4. Diagram Proses Fuzzy Inference System (FIS) ........................ 18

Gambar 2.5 Struktur Metode Adaptive Neuro Fuzzy Inference System

(ANFIS) ......................................................................................................... 20

Gambar 4.1. Hasil ANFIS dengan menggunakan MATLAB........................ 29

Gambar 4.2. Mengisi Parameter ANFIS Generation Methods dari genfis 1 . 30

Gambar 4.3. Grafik Hasil Prediksi Kecepatan Arus Satu Jam Kedepan dengan

Number of MF’s Sebanyak ‘2’ ...................................................................... 31

Gambar 4.4. Grafik Hasil Prediksi Kecepatan Arus Enam Jam Kedepan

dengan Number of MF’s Sebanyak ‘2’ .......................................................... 32

Gambar 4.5. Grafik Hasil Prediksi Kecepatan Arus Dua Belas Jam Kedepan


Gambar 4.6. Grafik Hasil Prediksi Kecepatan Arus Satu Hari Kedepan


Gambar 4.7. Grafik Hasil Prediksi Kecepatan Arus Satu Jam Kedepan dengan


Gambar 4.8. Grafik Hasil Prediksi Kecepatan Arus Enam Jam Kedepan


Gambar 4.9. Grafik Hasil Prediksi Kecepatan Arus Duabelas Jam Kedepan



x

x

Gambar 4.10. Grafik Hasil Prediksi Kecepatan Arus Satu Hari Kedepan


Gambar 4.11. Hasil ANFIS dengan menggunakan MATLAB...................... 39

Gambar 4.12. Mengisi Parameter ANFIS Generation Methods dari genfis 1 40

Gambar 4.13. Grafik Hasil Prediksi Curah Hujan Satu Hari Kedepan dengan


Gambar 4.14. Grafik Hasil Prediksi Curah Hujan Satu Hari Kedepan dengan


Gambar 4.15. Hasil ANFIS dengan menggunakan MATLAB...................... 44

Gambar 4.16. Mengisi Parameter ANFIS Generation Methods dari genfis 1 44

Gambar 4.17. Grafik Hasil Prediksi Ketinggian Gelombang Satu Jam

Kedepan dengan Number of MF’s Sebanyak ‘2’ ........................................... 45

Gambar 4.18. Grafik Hasil Prediksi Ketinggian Gelombang Enam Jam


Gambar 4.19. Grafik Hasil Prediksi Ketinggian Gelombang Dua Belas Jam


Gambar 4.20. Grafik Hasil Prediksi Ketinggian Gelombang Satu Hari


Gambar 4.22. Grafik Hasil Prediksi Ketinggian Gelombang Enam Jam


Gambar 4.23. Grafik Hasil Prediksi Ketinggian Gelombang Duabelas Jam



xi

xi

Gambar 4.24. Grafik Hasil Prediksi Ketinggian Gelombang Satu Hari



1

BAB I

PENDAHULUAN

A. Latar Belakang

Indonesia merupakan Negara yang terdiri atas ribuan pulau dan laut

sehingga Indonesia sering disebut sebagai Negara kepulauan. Banyaknya

pulau dan laut di wilayah Indonesia membuat mayoritas penduduknya

bermata pencaharian di wilayah laut. Selain berfungsi sebagai sarana untuk

menyediakan mata pencaharian, laut juga berfungsi sebagai sarana

transportasi nasional. Karena adanya peningkatan aktivitas transportasi laut

mengakibatkan semakin banyaknya insiden dan kecelakaan transportasi laut.

Salah satu faktor yang menyebabkan terjadinya insiden dan kecelakaan

adalah pola cuaca dan iklim yang tidak beraturan.

Ketidak teraturan cuaca dan iklim ini disebabkan berbagai faktor,

di antaranya periode angin muson timur dan angin muson barat yang bersifat

dinamis sejak tahun 19911, pengaruh La Nina dan El Nino, pengaruh Dipole

Mode, pengaruh dari perubahan signifikan suhu permukaan laut Indonesia

dan banyaknya laut di Indonesia. Banyaknya laut ini berakibat Indonesia

memiliki tekanan yang berbeda-beda di setiap daerahnya dan hal ini yang

paling memicu terjadinya pembentukan angin kencang. Frekuensi gangguan

angin kencang yang terjadi, berpeluang menggangu lalu lintas perhubungan

laut dan penyebarangan antar pulau.

1Nur Wakhid Habibullah, et.al, 2012, “Perancangan Sistem Prediktor Cuaca Maritim dengan

Menggunakan Metode Fuzzy Takagi Sugeno”, Jurnal Teknik POMITS Vol. 1, No. 1. 1


2

2

Beberapa kecelakaan yang dialami transportasi laut, di antarnya

tenggelamnya kapal besar maupun kapal kecil, tabrakan antar kapal dan

tergulingnya kapal akibat gelombang laut yang terlalu tinggi. Faktor-faktor

penyebab terjadinya kecelakaan ini adalah 41% kesalahan manusia (human

error), 38% bencana alam (force major), dan 21% akibat struktur kapal (hull

structure)2. Kecelakaan–kecelakaan ini juga sering dialami oleh para nelayan

khususnya di wilayah perairan laut Jawa dan sekitarnya.

Pada tahun 2016, para nelayan pencari lobster di wilayah perairan

Trenggalek tewas dikarenakan terseret ombak besar3, kemudian di wilayah

pesisir pantai utara (Pantura) para nelayan tidak berani melaut akibat adanya

cuaca buruk yang datang dengan tiba-tiba sehingga ikan segar langka4,

sementara di perairan Situbondo dikabarkan seorang nelayan hilang5, dan di

waktu-waktu dekat ini sekitar bulan Januari dan bulan Februari 2017 banyak

terjadi kecelakaan–kecelakaan seperti kecelakaan transportasi kapal nelayan,

tenggelamnya kapal maupun tersesatnya kapal nelayan. Kecelakaan tersebut

salah satunya terjadi pada nelayan Tuban yang tewas di pantai Tuban6, di

2Arief Hanifan P, et.al, 2010, “Perancangan Sistem Informasi Cuaca Maritim Untuk Para Nelayan

Jawa Timur Dengan Media Komunikasi Short Message Service”, 1 3Nanang Masyhari, 2016, “Cari Udang Lobster, Nelayan Trenggalek Tewas Terseret Ombak”,

(http://beritajatim.com/peristiwa/279938/cari_udang_lobster,_nelayan_trenggalek__tewas_terseret

_ombak.html.diakses 12 Maret 2017) 4M Yakub, 2016, “Nelayan Tidak Melaut, Ikan Laut Segar Langka”,

(https://news.detik.com/media-Indonesia/Nelayan_tidak_melaut_ikan_laut_segar_langka, diakses

12 Maret 2017) 5Imam Wahyudiyanta, 2017, “Dua Korban Kapal Nelayan Lamongan yang Hilang Belum

ditemukan”,(https://news.detik.com/berita-jawa-timur/d-3415617/dua-korban-kapal-nelayan-

lamongan-yang-hilang-belum-ditemukan, diakses 26 Maret 2017) 6M. Muthohar. (2017). Geger Nelayan Tuban Tewas di

Pantai.http://beritajatim.com/peristiwa/290711/geger_nelayan_tuban_tewas_di_pantai.html.

Diakses 26 Maret 2017.

http://beritajatim.com/peristiwa/279938/cari_udang_lobster,_nelayan_trenggalek__tewas_terseret_ombak.html


https://news.detik.com/media-Indonesia/Nelayan_tidak_melaut_ikan_laut_segar_langka

https://news.detik.com/berita-jawa-timur/d-3415617/dua-korban-kapal-nelayan-lamongan-yang-hilang-belum-ditemukan


http://beritajatim.com/peristiwa/290711/geger_nelayan_tuban_tewas_di_pantai.html


3

3

wilayah lain juga terdapat dua nelayan Banyuwangi hilang di laut Situbondo7,

di selat Bali satu nelayan juga menghilang8, dan di wilayah Sumenep para

nelayan mengalami pengangguran akibat cuaca buruk yang terjadi9.

Dari banyaknya kecelakaan yang terjadi mengakibatkan banyaknya

tuntutan dari berbagai pihak yang membutuhkan informasi kondisi cuaca

yang lebih cepat, akurat dan lebih lengkap. Informasi ini sangat berperan bagi

masyarakat dalam mengantisispasi berbagai kemungkinan yang terjadi dan

untuk mengurangi serta meminimalisir dampak yang dapat merugikan

masyarakat khususnya para nelayan. Para nelayan pada dasarnya hanya

mengandalkan pelayaran sebagai aktivitas mata pencaharian dan sangat

bertumpu pada cuaca maritim. Dengan harapan informasi cuaca maritim

inilah nantinya dapat meminimalisir kecelakaan pelayaran nelayan. Salah satu

antisispasinya dapat berupa peramalan atau prediksi faktor-faktor yang

mengakibatkan perubahan cuaca maritim, sehingga hasil yang didapatkan

dapat membantu meminimalkan dampak yang akan terjadi di masa yang akan

datang.

Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) sebagai

lembaga pemerintah non-departemen yang bertugas dalam pengamat cuaca

mampu memprediksikan cuaca melalui metode konvensional baik itu melalui

7Rindi Suwito, “Dua Nelayan Banyuwangi Hilang di Laut Situbondo”,

(http://beritajatim.com/peristiwa/289481/dua_nelayan_banyuwangi_hilang_di_laut_situbondo.htm

l, diakses 26 Maret 2017) 8Rindi Suwito, 2017, “Nelayan Hilang, TRC BPBD Banyuwangi Sisir Selat Bali”

(http://beritajatim.com/peristiwa/289523/nelayan_hilang,_trc_bpbd_banyuwangi_sisir_selat_bali.h

tml, diakses 12 Maret 2017) 9Temmy P, 2017, “Cuaca Ekstrem, Nelayan Sumenep ‘Nganggur”,

(http://beritajatim.com/peristiwa/289521/cuaca_ekstrem,_nelayan_sumenep_'nganggur'.html,

diakses 12 Maret 2017)

http://beritajatim.com/peristiwa/289481/dua_nelayan_banyuwangi_hilang_di_laut_situbondo.html


http://beritajatim.com/peristiwa/289523/nelayan_hilang,_trc_bpbd_banyuwangi_sisir_selat_bali.html


http://beritajatim.com/peristiwa/289521/cuaca_ekstrem,_nelayan_sumenep_'nganggur'.html


4

4

metode statistika atau dinamika atmosfer10

. Namun jika dilihat, prakiraan

yang dilakukan melalui metode konvensional masih perlu ditingkatkan dari

segi keakuratannya, karena pada dasarnya para forecaster (peramal cuaca)

menganalisis hasil prediksi dari perhitungan konvensional secara subyektif.

Oleh karena itu, perlunya merancang prediksi cuaca maritim diharapkan

dapat membantu pelayaran nelayan secara akurat dan lengkap. Perancangan

sistem prediksi cuaca maritim ini menggunakan model Adaptive Neuro Fuzzy

Inference System (ANFIS) Time Series yang mana metode tersebut cocok

dalam masalah forecasting. Dan metode ini merupakan gabungan dari dua

metode yaitu Logika Fuzzy yang digunakan dalam pengambilan keputusan

dalam prediksi cuaca dan jaringan syaraf tiruan yang mampu beradaptasi

dengan variabel-variabel atmosfer.

Berdasarkan kondisi tersebut, maka peneliti melakukan penelitian

tentang Prediksi Pola Cuaca Maritim (Curah Hujan, Tinggi Gelombang, dan

Kecepatan Arus) Menggunakan Adaptive Neuro Fuzzy Inference System Time

Series dengan harapan mampu menghasilkan sistem peramalan yang lebih

efektif dan efisien serta mampu membantu masyarakat pesisir Gresik dalam

melakukan pelayaran. Hal ini telah terdapat dalam Al-Quran surat Yunus ayat

22 mengenai penciptaan laut serta kegunaannya sebagaimana dijelaskan

dalam ayat berikut:

والبحر ك ف الب ي يسي هوالذقى

حت اذاكنت ف الفل ج

بة م بريح طي وجرين ب فرحواباجآ ءتا وذ

جآ ءه الموج من ك م م ريح عاصف وذ م احيط ب ظنوآ انذ كن وذلا

ين دعواالل مخلصي ل اللا

يتنامن هذه لئ ان

لنكوننذ من الشكرين

10

Ibid., hal 3


5

5

“ Dialah Tuhan yang menjadikan kamu dapat berjalan di daratan (dan

berlayar) di lautan. Sehinggga ketika kamu berada di dalam kapal, dan

meluncurlah (kapal) itu membawa mereka (orang-orang yang ada di

dalamnya) dengan tiupan angin yang baik, dan mereka bergembira

karenanya; tiba-tiba datanglah badai dan gelombang menimpanya dari

segenap penjuru, dan mereka mengira telah terkepung (bahaya), maka mereka

berdoa dengan tulus ikhlas kepada Allah semata (seraya berkata), “Sekiranya

Engkau menyelamatkan kami dari (bahaya) ini, pasti kami termasuk orang-

orang yang bersyukur”.

B. Rumusan Masalah

Berdasarkan latar belakang yang ada maka peneliti merumuskan

permasalahan yang akan diteliti sebagai berikut:

1. Bagaimana Hasil Metode Adaptive Neuro Fuzzy Inference System Time

Series dalam Memprediksi Cuaca Maritim sebagai Peringatan Dini Bagi

Keselamatan Nelayan Perairan Gresik?

2. Bagaimana Simulasi dari Prediksi Cuaca Maritim yang Mengunakan

Metode Adaptive Neuro Fuzzy Inference System Time Series?

C. Tujuan Penelitian

Mengacu pada rumusan masalah di atas, maka tujuan penelitian ini

adalah:

1. Metode Adaptive Neuro Fuzzy Inference System Multivariate Time Series

dapat Memprediksi Cuaca Maritim Guna Sebagai Peringatan Dini Bagi

Para Nelayan Perairan Gresik.

2. Hasil Simulasi dari Prediksi Cuaca Maritim yang Mengunakan Metode

Adaptive Neuro Fuzzy Inference System Time Series.


6

6

D. Kegunaan Penelitian

Berdasarkan penelitian yang penulis lakukan, diharapkan penelitian

ini bermanfaat bagi penulis, pembaca dan pihak-pihak yang berkepentingan.

Sehingga manfaat dari penelitian ini adalah:

1. Hasil penelitian ini diharapkan dapat menjadi salah satu bahan

pertimbangan bagi Badan Meteorologi, Klimatologi dan Geofisika

tentang pentingnya prediksi cuaca maritim.

2. Penelitian ini diharapkan dapat memberikan sumbangan sekaligus

wawasan ilmu pengetahuan bagi peneliti-peneliti yang ingin

mengembangkan sistem perancangan prediksi cuaca maritim.

E. Penelitian Terdahulu

Penelitian mengenai prediksi cuaca maritim telah banyak dilakukan

dan dipublikasikan dalam jurnal nasional maupun jurnal internasional dengan

berbagai macam metode. Beberapa diantaranya adalah penelitian yang

dilakukan oleh Arif Hanifan P. menggunakan media komunikasi Short

Message Service11

, metode Fuzzy Takagi Sugeno yang digunakan dalam

penelitian Nur Wakhid Habibulloh12

, penelitian oleh Saarika Sharma yang

berjudul Fuzzy Time Series Model for Forecasting13

.

F. Sistematika Pembahasan

Adapun sistematika penyusunan yang digunakan dalam menyusun

laporan ini adalah:

11

Ibid. 12

Nur Wakhid Habibullah, 2013, “Perancangan Sistem Prediktor Cuaca Maritim dengan

Menggunakan Metode Fuzzy Takagi Sugeno”, 1 13

Saarika Sharma, 2014, “Fuzzy Time Series Model for Forecasting”, 1


7

7

BAB I: PENDAHULUAN

Bab ini menjelaskan latar belakang, rumusan masalah, tujuan

tujuan penelitian, kegunaan penelitian, penelitian terdahulu, kerangka teoritik,

metode penelitian, dan sistematika pembahasan.

BAB II: KAJIAN PUSTAKA

Bab ini memuat penjelasan teori tentang sistem yang berkaitan

dengan penelitian.

BAB III: METODE PENELITIAN

Bab ini berisi tentang jenis penelitian, analisis kebutuhan, sumber

data yang digunakan dalam penelitian, serta rancangan sistem yang akan

dilakukan dalam penelitian.

BAB IV: HASIL PENELITIAN

Bab ini berisi tentang hasil penelitian mengenai Prediksi Pola

Cuaca Maritim (Curah Hujan, Tinggi Gelombang, dan Kecepatan Arus)

Menggunakan Adaptive Neuro Fuzzy Inference System Time Series.

BAB V: PEMBAHASAN DAN DISKUSI PENELITIAN

Bab ini memuat pembahsan dari hasil penelitian mengenai Prediksi

Pola Cuaca Maritim (Curah Hujan, Tinggi Gelombang, dan Kecepatan Arus)

Menggunakan Adaptive Neuro Fuzzy Inference System Time Series.

BAB VI: PENUTUP

Bab ini berisi kesimpulan dari penelitian yang dilakukan oleh

peneliti yaitu mengenai “Prediksi Pola Cuaca Maritim (Curah Hujan, Tinggi

Gelombang, dan Kecepatan Arus) Menggunakan Adaptive Neuro Fuzzy


8

8

Inference System Time Series.”, serta rekomendasi yang ditujukan untuk para

pembaca ataupun peneliti-peneliti selanjutnya.


9

9

BAB II

KAJIAN PUSTAKA

A. Cuaca dan Cuaca Maritim

Cuaca adalah fenomena-fenomena yang saat ini sedang terjadi di

atmosfer bumi14

. Cuaca dipengaruhi oleh perubahan suhu, lamanya

penyinaran matahari, kelembapan, curah hujan, angin, dan tekanan udara

yang ada di seluruh tempat di bumi dan terjadi dalam waktu yang

singkat.Sedangkan cuaca maritim adalah keadaan udara atau fenomena-

fenomena yang terdapat di laut yang terjadi pada saat tertentu dan dalam

waktu yang singkat15

. Keadaan udara atau fenomena-fenomena yang terjadi

di laut ini di pengaruhi beberapa faktor diantaranya SST (Sea Surface

Temperature) atau suhu permukaan laut, suhu udara, angin, ketinggihan

gelombang, dan fenomena hidrometeor seperti hujan. Dalam ilmu

meteorologi maritim, cuaca laut dikatakan ekstrem apabila suhu udaranya >

350C, kecepatan angin> 25 knot, ketinggihan gelombang > 2.5 meter, terjadi

hujan lebat disertai petir dan curah hujannya > 50 mm/hari16

.

1. Pengaruh Cuaca Terhadap Kondisi Laut

Angin, kelembapan udara, tekanan udara, suhu udara, dan

penyinaran matahari merupakan unsur-unsur cuaca yang sangat

mempengaruhi keadaan laut. Karena Indonesia adalah Negara kepulauan

14

Endar Setiyo Pertomo, 2013, “Perancangan Aplikasi Perkiraan Cuaca Wilayah

YogyakartaBerbasis Android”, 5 15

Ibid., 7 16

Ibid.,

9


10

10

dengan berbagai pulau, mengakibatkan Indonesia memiliki ketinggihan

daerah yang berbeda-beda, ketinggihan yang berbeda-beda ini

menyebabkan adanya tekanan yang berbeda pula. Tekanan sendiri

berbanding terbalik dengan suhu.

Ketika matahari menyinari daerah di Indonesia, maka lautan

akan lebih cepat mengalami pemuaian dari pada daratan sehingga suhu di

lautan menjadi lebih tinggi dari pada daratan, dan tekanan di lautan lebih

rendah dari pada di daratan. Perbedaan tekanan ini mengakibatkan

adanya angin di wilayah lautan, semakin kencang kecepatan anginnya

mengakibatkan kecepatan arus laut semakin besar dan berpotensi adanya

gelombang tinggi. Berdasarkan uraian tersebut, pengaruh signifikan dari

cuaca adalah kecepatan arus laut dan ketinggihan gelombang.

a. Arus Laut

Arus Laut adalah pergerakan densitas massa air laut yang

secara vertikal maupun horizontal melakukan perpindahan dari suatu

tempat ke tempat yang lain17

.

b. Gelombang Laut

Gelombang adalah getaran yang merambat.Gelombang

laut adalah getaran yang terjadi pada permukaan laut dengan arah

getaran naik dan turun berbentuk tegak lurus terhadap permukaan air

laut dan membentuk kurva sinusoidal18

. Adanya gelombang laut

17

M Kahfi Anshari, et.al, “Perancangan Prediktor Cuaca Maritim Berbasis Logika Fuzzy

Menggunakan User Interface Android”, 2 18

Ibid.,


11

11

sangat di pengaruhi oleh kecepatan angin. Pada tahun 1804, seorang

laksamana inggris membuat daftar yang berisi kecepatan angin di

wilayah lautan yang bermana Beaufort, sehingga skala kecepatan

anginnya juga dinamakan skala Beaufort. Tabel skala Beaufort akan

ditunjukkan pada tabel 1.

Tabel 1. Skala Beaufort19

Skala Kategori Va (Knot)

H (Meter)

(Maksimum)

0 Udara Tenang 0 0

1 Angin Lemah 1 – 3 0.1

2 Angin 4 – 6 0.2 (0.3)

3 Angin 7 – 10 0.6 (1.0)

4 Angin Sedang 11 – 16 1.0 (1.5)

5 Angin Segar 17 – 21 2.0 (2.5)

6 Angin Kuat 22 – 27 3.0 (4.0)

7 Angin Ribut 28 – 33 4.0 (5.5)

8 Angin Ribut Sedang 34 – 40 5.5 (7.5)

9 Angin Ribut Kuat 41 – 47 7.0 (10.0)

Keterangan :

Va (Knot) = Kecepatan angin (Knot)

H (Meter) (Maksimum) = Ketinggihan Gelombang (Meter)

(Ketinggihan Maksimum)

19

Ibid., hal 10


12

12

B. Curah Hujan

Curah hujan adalah jumlah air yang jatuh ketika terjadi hujan di

suatu daerah pada kurun waktu tertentu20

. Curah hujan diklasifikasikan

menjadi tiga yaitu hujan dikatakan sangat lebat jika curah hujan > 100

mm/hari, hujan dikatakan lebat jika curah hujan antara 50 – 100 mm/hari, dan

hujan dikatakan sedang jika curah hujan antara 20 – 50 mm/hari21

.

Curah hujan sangat mempengaruhi aktivitas laut khususnya para

nelayan. Ketika nelayan melakukan pelayaran di musim hujan, kemungkinan

akan terjadi hujan sangat lebat di sertai dengan petir yang biasanya dihasilkan

oleh jenis awan CB (Cumulonimbus). Karena nelayan beraktivitas

menggunakan kapal kecil, hal ini memungkinkan terjadinya kecelakaan pada

kapal nelayan. Sehingga perlunya di lakukan prediksi pola curah hujan bagi

para nelayan.

C. Data Mining

Data-data yang biasa digunakan dalam suatu penelitian memiliki

jumlah yang relatif besar, memiliki karakteristik yang berbeda-beda, dan

berasal dari berbagai sumber. Namun, data yang berjumlah besar tentu

memiliki informasi yang tersembunyi yang tidak dapat dilihat dengan kasat

mata dimana seseorang akan sulit untuk melakukan analisis dari suatu data

yang berjumlah sangat besar sehingga dibutuhkan suatu ilmu yang mampu

mempelajari informasi-informasi tersembunyi pada data tersebut dengan

21

Ibid., hal 11 21

Ibid.,


13

13

pembelajaran data mining. Data mining dapat diartikan sebagai suatu

pembelajaran dalam mempersiapkan data, pengolahan fitur, klasifikasi,

clustering, asosiasi, dan lain sebagainya. Data mining juga dapat diartikan

sebagai ekstraksi dari suatu informasi yang implisit, tidak dapat diketahui

dengan cara sederhana, dan memiliki potensi daya guna22

. Sehingga data

mining akan memiliki peran yang sangat penting pada suatu database yang

sangat besar yang mana dapat diketahui pola dari suatu data dengan teknik

pembelajaran mesin sebagai langkah awal pengolahan data sebelum

melakukan penelitian.

Beberapa sifat data yang dikenal dalam keilmuan data mining

diantaranya banyaknya noise dalam suatu database, data memiliki ukuran

yang besar, dan database yang dapat merupakan campuran dari berbagai

sumber yang berbeda dimana dibutuhkan pemahaman data saat preprocessing

yang berakibat pada hasil pembelajaran data tersebut terhadap hasil akhir

yang akan diperoleh. Pengenalan dari suatu data dapat dilihat dari 3 aspek

yang berbeda seperti atribut data yang akan digunakan dalam suatu

peenelitian, statistik deskriptif dari suatu data, dan untuk mengukur kesamaan

dan ketidaksamaan dari suatu data. Pengenalan data pada aspek atribut data

dilakukan untuk memahami tipe atribut suatu data yang digunakan dan untuk

membantu membetulkan data dengan beberapa cara yang dipelajari pada data

mining. Pengenalan data selanjutnya adalah statistik deskriptif, suatu data

akan dilakukan pengisian pada data yang hilang atau data yang kosong,

22

Tarigan, Avinanta., “pengenalan Sistem & Teknik, serta Contoh Aplikasi”(Data Mining, 22

November 2008), 6


14

14

memperhalus noise data, dan mengetahui outlier selama pemrosesan data.

Pengenalan data terakhir yaitu pada aspek mengukur kesamaan dan

ketidaksamaan data yang melakukan deteksi outlier, melakukan klasifikasi

data, dan mengukur kedekatan dari suatu data.

Pemrosesan data di awal penting dilakukan karena mempengaruhi

kualitas mining yang akan digunakan dalam suatu penelitian yang

memungkinkan data tersebut tidak lengkap dengan berisi data yang hilang

atau kosong, terdapat noise atau outlier seperti tinggi gelombang yang

bernilai negatif serta terdapatnya data yang tidak konsisten dalam arti terdapat

nilai yang memiliki tipe data yang berbeda dalam satu atribut misalnya nilai

tinggi gelombang yang dituliskan dalam tipe data rasio dan nominal.

Beberapa teknik pemrosesan data dalam pembelajaran data mining

meliputi 4 teknik diantaranya pembersihan data, integrasi data, transformasi

data, dan reduksi data. Normalisasi data termasuk dalam teknik data mining

sebagai preprocessing untuk mendapatkan hasil mining yang baik. Beberapa

syarat normalisasi data dapat dilakukan apabila data yang digunakan dalam

penelitian terdapat selisih yang besar pada jangkauan atribut satu dengan

atribut yang lainnya dimana hal ini disebabkan karena fitur yang memiliki

jangkauan yang besar dengan atribut yang lainnya akan mempengaruhi label

yang digunakan, normalisasi data dilakukan pada data numerik. Data yang

biasa digunakan dalam penelitian memiliki dua sifat yang tidak bergantung

satu sama lain dimana 2 sifat data tersebut adalah linear dan non linear. Suatu

sebaran data dikatakan linear apabila data tersebut berdistribusi normal dan


15

15

suatu data dikatakan non linear apabila data tersebut tidak berdistribusi

normal. Teknik normalisasi data yang digunakan dalam pembelajaran data

mining dikategorikan pada dua sifat sebaran data diatas, dimana apabila data

yang digunakan bersifat linear atau berdistribusi normal, maka teknik

normalisasi data yang dapat digunakan adalah z-score dan min-max. Untuk

cara yang pertama pada normalisasi z-score, langkah pertama yang dilakukan

adalah menghitung rata-rata pada masing-msing fitur yang diselesaikan

menggunakan persamaan 2.1 23

.

𝑥𝑘 =1

𝑁∑ 𝑥𝑖𝑘, 𝑘 = 1,2, … 𝑟 (2.1)

𝑁

𝑖=1

selanjutnya menghitung varian dengan persamaan 2.224

.

𝜎𝑘2 =

1

𝑁 − 1∑(𝑥𝑖𝑘 − 𝑥𝑘 )2

𝑁

𝑖=1

(2.2)

Kemudian hasil dari normalisasi di atas dihitung menggunakan persamaan 2.3

untuk mendapatkan fitur yang mempunyai sifat zero-mean dan unit

variance25

.

��𝑖𝑘 =𝑥𝑖𝑘 − ��𝑘

𝜎𝑘 (2.3)

Teknik normalisasi min-max adalah metode normalisasi data yang

bersifat linear dengan menskalakan jangkauan dari setiap fitur dalam

jangkauan [0,1] atau [-1,1] sehingga terdapat 2 persamaan dalam proses

23

Eko Prasetyo, Data Mining. Mengolah Data Menjadi Informasi Menggunakan Matlab

(Yogyakarta: ANDI, 2014), 18. 24

Ibid., 25

Ibid.,


16

16

perhitungan pada teknik min-max. Normalisasi min-max untuk jangkauan

atribut [0,1] dilakukan dengan persamaan 2.426

.

��𝑖𝑘 =𝑥𝑖𝑘 − min (𝑥𝑘)

max(𝑥𝑘) − min (𝑥𝑘) (2.4)

Sedangkan untuk skala dengan jangkauan [-1,1] dapat diselesaikan

menggunakan persamaan 2.5 berikut27

:

��𝑖𝑘 =2𝑥𝑖𝑘 − (𝑚𝑎𝑥(𝑥𝑘) + min (𝑥𝑘))

max(𝑥𝑖𝑘) − min (𝑥𝑘) (2.5)

Teknik normalisasi data yang digunakan dalam pengolahan data

pada parameter yang digunakan dalam penelitian ini menerapkan teknik

normalisasi data min-max untuk mendapatkan hasil mining di mana apabila

terdapat data yang kosong atau outlier maka akan sangat mempengaruhi hasil

penelitian dan akan berpengaruh dengan hasil error yang akan didapatkan

sebagai tolak ukur keberhasilan.

D. Fuzzy

Logika fuzzy merupakan suatu metode yang tepat untuk

menyelesaikan masalah yang dapat diaplikasikan dengan bahasa manusia

seperti baik, buruk, tinggi, rendah, dan lain sebagainya. Logika fuzzy

dikembangkan dari himpunan fuzzy yang merupakan pengelompokan sesuatu

berdasarkan variabel linguistik yang dinyatakan dalam fungsi keanggotaan

(membership function). Fungsi keanggotaan tersaji dalam sebuah kurva yang

memetakan titik-titik input data ke dalam nilai keanggotaan atau derajat

keanggotaan dengan interval antara 0 sampai 1. Jika A adalah suatu

26

Ibid., 27

Ibid.,


17

17

himpunan fuzzy, 𝜇𝐴 adalah suatu fungsi keanggotaan, dan X merupakan

semesta, maka fungsi keanggotaan dalam suatu himpunan fuzzy dapat

dinyatakan sebagai berikut:

𝐴 = {(𝑥, 𝜇𝐴(x) )│x ∈ X} (2.6)

Fungsi keanggotaan suatu himpunan fuzzy dapat ditentukan dengan

fungsi segitiga (Triangle), trapesium (Trapezoidal), atau fungsi Gauss

(Gaussian). Gambar berikut menunjukkan masing-masing fungsi keanggotaan

fuzzy:

Gambar 2.1. Fungsi Keanggotaan Segitiga

Gambar 2.2. Fungsi Keanggotaan Trapesium


18

18

Gambar 2.3. Fungsi Keanggotaan Gauss (Gaussian)

Sistem logika fuzzy yang memetakan suatu ruang input ke dalam

suatu ruang output berdasarkan aturan IF-ELSE disebut sebagai Fuzzy

Inference System (FIS). Dalam FIS terdapat lima proses, yaitu fuzzifikasi,

operasi logika fuzzy, implikasi, agregasi, dan defuzzifikasi. Gambar berikut

menunjukkan diagram proses dalam Fuzzy Inference System (FIS):

Gambar 2.4. Diagram Proses Fuzzy Inference System (FIS)

Terdapat tiga metode dalam Fuzzy Inference System (FIS), yaitu

metode Tsukamoto, metode Mamdani atau sering disebut dengan metode

Min-Max, dan Metode Sugeno.


19

19

E. Time Series

Time series adalah himpunan dari pengamatan xt, yang masing-

masing direkam pada waktu tertentu yaitu t. berdasarkan waktu pengamatan,

time series dibedakan menjadi dua, yaitu time series dengan waktu diskrit dan

time series dengan waktu kontinyu. Time series waktu diskrit yaitu himpunan

T0 kali pengamatan yang dilakukan dengan waktu diskrit. Sedangkan Time

series waktu kontinyu diperoleh saat pengamatan dicatat secara terus menerus

selama beberapa jarak waktu.

Time Series dapat digunakan untuk memodelkan data Time Series

sehingga dapat dilihat perilaku data lebih lanjut. Selain itu, juga berguna

untuk melakukan prediksi atau peramalan ke depan atau prakiraan jangka

pendek (short- time forecasting). Hasil dari pengolahan data time series baik

peramalan maupun memodelkan suatu pola data dapat disajikan dalam bentuk

plot dengan pola acak, tren, pergeseran tingkat, periode atau siklus,

pengamatan yang tidak biasa, atau kombinasi pola

F. Adaptive Neuro Fuzzy Inference System

Adaptive Neuro Fuzzy Inference System (ANFIS) merupakan

metode yang menggunakan jaringan syaraf tiruan sebagai implementasi dari

suatu sistem inferensi fuzzy. Metode Adaptive Neuro Fuzzy Inference System

memiliki arsitektur yang secara fungsional menyerupai arsitektur fuzzy rule

base model Sugeno. Dapat dikatakan bahwa ANFIS adalah suatu metode

yang dalam melakukan penyetelan aturan menggunakan algoritma

pembelajaran terhadap sekumpulan data. Parameter ANFIS terbagi menjadi


20

20

dua, yaitu parameter premis dan konsekuensi yang dapat diadaptasikan

dengan algoritma hybrid.

a. Struktur Adaptive Neuro Fuzzy Inference System

Struktur Adaptive Neuro Fuzzy Inference System (ANFIS)

ditunjukkan oleh gambar berikut:

Gambar 2.5 Struktur Metode Adaptive Neuro Fuzzy Inference System (ANFIS)

Lapisan 1: Titik-titik adaptif (parameter) dapat berubah terhadap fungsi

aktivasi. Fungsi keanggotaan yang digunakan dalam lapisan

ini berbentuk Bell (lonceng) dan Gaussian dengan hasil

berupa derajat keanggotaan.

Lapisan 2: Semua titik pada lapisan ini adalah nonadaptif, yaitu

parameternya bersifat tetap. Fungsi dari titik-titik ini adalah

mengalikan setiap sinyal masukan yang datang, sekaligus

sebagai representasi dari 𝛼-predikat.

Lapisan 3: Setiap titik nonadaptif yang menunjukkan fungsi derajat

pengaktifan ternormalisasi (normalized firing strength)


21

21

adalah sebuah perbandingan dari keluaran titik ke-i pada

lapisan sebelumnya.

Lapisan 4: Setiap titik pada lapisan ini merupakan titik adaptif (parameter

dapat berubah) terhadap suatu output dengan 𝛼 I adalah

normalized firing strength pada lapisan ke-3 dan parameter-

parameter pada lapisan tersebut yang merupakan consequent

parameters.

Lapisan 5: Pada lapisan ini hanya terdapat satu titik tetap yang fungsinya

untuk menjumlahkan semua masukan

b. Proses Pembelajaran Adaptive Neuro Fuzzy Inference System

Proses pembelajaran pada (ANFIS) dibagi menjadi dua, yaitu

epoch dan hybrid. Epoch adalah suatu tahap pembelajaran dengan arah

maju-mundur (forward-backward). Sedangkan hybrid merupakan suatu

tahap pembelajaran dalam ANFIS dengan arah maju (forward pass) dan

arah mundur (backward pass).


22

22

BAB III

METODE PENELITIAN

A. Jenis Penelitian

Penelitian tentang Prediksi Cuaca Maritim (Tinggi Gelombang,

Curah Hujan, dan Kecepatan Arus) Menggunakan Adaptive Neuro Fuzzy

Inference System Time Series Sebagai Peringatan Dini Bagi Keselamatan

Nelayan dengan mengambil studi kasus di Perairan Gresik yang termasuk

kedalam jenis penelitian terapan yang dilihat dari aspek fungsinya. Solusi dari

hasil prediksi ini bertujuan sebagai pemecahan masalah yang akan

diimplementasikan pada kondisi yang ada di lapangan. Penelitian terapan

juga dapat diartikan sebagai suatu tindakan aplikatif untuk pemecahan

masalah tertentu.

B. Analisis Kebutuhan

Cuaca maritim menjadi salah satu hal penting yang wajib

diperhatikan bagi seseorang yang bermata pencaharian sebagai nelayan atau

suatu aktivitas tertentu yang dilakukan di laut. Analisis kebutuhan ini

ditujukan untuk mengetahui keadaan yang sebenarnya dimana akan dilakukan

suatu prediksi cuaca laut untuk meminimalisir terjadinya kecelakaan laut.

Analisis kebutuhan tersebut terbagi menjadi 2, diantaranya:

1. Observasi permasalahan yang akan dikaji dan melakukan studi pada

permasalahan tersebut. Proses observasi yang dilakukan adalah

mengevaluasi bagaimana para nelayan mengambil tindakan untuk

melakukan pelayaran di laut yang hanya didasarkan oleh asumsi

22


23

23

individu, dimana hal tersebut tidak didasarkan secara ilmiah dan

menyebabkan keadaaan buruk yang akan terjadi di laut tidak dapat

dihindari. Studi permasalahan tersebut mengacu pada faktor-faktor

ilmiah yang mempengaruhi dinamika cuaca laut yang tidak diketahui

oleh para nelayan, dari permasalahan tersebut maka akan dilakukan

Prediksi Cuaca Maritim (Tinggi Gelombang, Curah Hujan, dan

Kecepatan Arus) Menggunakan Adaptive Neuro Fuzzy Inference System

Time Series Sebagai Peringatan Dini Bagi Keselamatan Nelayan dengan

mengambil studi kasus di Perairan Gresik.

2. Selanjutnya melakukan studi literatur yang berfokus pada permasalahan

diatas. Studi literatur ini bertujuan agar peneliti lebih memahami konsep

permasalahan yang berkaitan dengan parameter dan metode yang akan

diaplikasikan untuk mencapai hasil yang maksimal.

C. Pengujian dan Evaluasi

Pengujian pertama yang dilakukan mengacu pada analisis time

series terhadap parameter-parameter yang digunakan dan diselesaikan

menggunakan bahasa pemrograman MATLAB. Di mana dalam pengujian

tersebut data yang dianalisa secara time series harus memiliki jumlah yang

sama dengan jumlah data yang digunakan. Pengujian dapat bernilai baik jika

memiliki keakuratan yang tinggi. Selanjutnya hasil pengujian tersebut dapat

dievaluasi terhadap keadaan nyata yang terjadi di lapangan.

Sebagai dasar penelitian untuk prediksi cuaca maritim sebagai

peringatan dini bagi keselamatan nelayan di perairan Gresik, data yang


24

24

diperoleh sejumlah 8760 data (1 Januari 2016 sampai 31 Desember 2016)

dibagi menjadi dua bagian data. Bagian pertama digunakan sebagai data

training Ts-Anfis dari 1 januari 2016 sampai 30 September 2016 dan bagian

kedua dijadikan sebagai data testing mulai dari 1 Oktober 2016 sampai 31

Desember 2016. Dalam mencapai tujuan penelitian ini, perlu langkah-langkah

secara urut dan sistematis, adapun Gambar 2 merupakan representasi dari

diagram alir mulai dari pengambilan data, sampai dengan ANFIS berdata time

series.

Detail flowchart:

Gambar 3.1 Diagram Aliran Data


25

25

Berikut adalah langkah-langkah dari diagram alir:

a. Data cuaca maritim berupa data ketinggian gelombang, curah hujan, dan

data kecepatan arus selama satu tahun terakhir per jam.

b. Data yang sudah diperoleh kemudian di olah ke dalam data time series

dengan memperhatikan variabel input dan variabel output. Kemudian

data di bagi menjadi dua bagian yaitu sekitar 75 % digunakan sebagai

data training dan sekitar 25% digunakan sebagai data testing.

c. Keseluruhan data yang sudah di olah ke dalam data time series di olah

dengan menggunakan metode ANFIS Time Series menggunakan

MATLAB.

d. Pada proses awal ANFIS yang dilakukan yaitu membentuk struktur

ANFIS yang digunakan yaitu menggunakan genfis1.

e. Melakukan training ANFIS dengan memasukkan data training yang ada.

f. Setelah didapatkan parameter-parameter ANFIS yang optimal, yaitu

dengan adanya error terkecil yang didapatkan dari Ts-Anfis menunjukkan

bahwa data mendekati akurat.

g. Tahap Testing ANFIS yaitu dengan memasukkan data testing dan hasil

prediksipun didapatkan.


26

26

BAB IV

HASIL PENELITIAN

A. Penyajian Data

Prediksi cuaca maritim membutuhkan model matematis yang

disebut dengan data berkala (time series). Data prediksi yang difokuskan

dalam penelitian ini adalah data kecepatan arus, curah hujan dan ketinggian

gelombang yang disusun berdasarkan urutan waktu dalam beberapa periode

untuk mengukur perubahan dalam betuk deretan waktu tertentu. Data

kecepatan arus dan ketinggian gelombang diakumulasi setiap jamnya mulai 1

Januari sampai 31 Desember 2016, berikut adalah sampel data dari kecepatan

arus dan ketinggian gelombang yang di representasikan pada tabel 2:

Tabel 4.1. Sampel Data Kecepatan Arus dan ketinggian Gelombang

Date (Time) CuSpd(cm/s) HTot(m)

1/1/2016 (00.00) 6.54 0.31

1/1/2016 (01.00) 5.65 0.31

1/1/2016 (02.00) 4.76 0.31

1/1/2016 (03.00) 3.88 0.31

1/1/2016 (04.00) 2.99 0.32

1/1/2016 (05.00) 2.1 0.32

1/1/2016 (06.00) 1.21 0.32

1/1/2016 (07.00) 1.01 0.33

1/1/2016 (08.00) 0.81 0.33

1/1/2016 (09.00) 0.61 0.34

1/1/2016 (10.00) 0.41 0.35

1/1/2016 (11.00) 0.21 0.35

1/1/2016 (12.00) 0.02 0.36

1/1/2016 (13.00) 0.16 0.37

1/1/2016 (14.00) 0.3 0.37

1/1/2016 (15.00) 0.45 0.38

1/1/2016 (16.00) 0.6 0.39

1/1/2016 (17.00) 0.74 0.4

1/1/2016 (18.00) 0.89 0.4

26


27

27

Dan data curah hujan diakumulasi setiap hari mulai 1 Januari

sampai 31 Desember 2016, berikut adalah sampel data dari curah hujan yang

di representasikan pada tabel 3:

Tabel 4.2. Sampel Data Curah Hujan

No Tanggal Curah Hujan

1. 01/01/2016 16.4

2. 02/01/2016 1.6

3. 03/01/2016 8.3

4. 04/01/2016 64

5. 05/01/2016 9999

6. 06/01/2016 8888

7. 07/01/2016 9999

8. 08/01/2016 0

9. 09/01/2016 0

10. 10/01/2016 9999

11. 11/01/2016 0

12. 12/01/2016 9999

13. 13/01/2016 8888

14. 14/01/2016 1

15. 15/01/2016 0

16. 16/01/2016 8888

17. 17/01/2016 9999

18. 18/01/2016 9999

19. 19/01/2016 0

20. 20/01/2016 0

Tabel 3 menunjukkan data curah hujan memiliki jangkauan yang

sangat jauh, sehingga dalam penelitian ini di gunakan metode normalisasi

data mining menggunakan min-max methods. Normalisasi dilakukan agar

hasil prediksi curah hujan mendekati nilai yang sebenarnya dan

mendapatkankan error seminimal mungkin.

Sebelum data digunakan dalam proses pelatihan Ts-Anfis (Anfis

Time Series). Data dibagi dalam dua bagian, 75% digunakan sebagai data

training (1 Januari 2016 sampai 30 September 2016) dan 25% sebagai data


28

28

testing (1 Oktober 2016 sampai 31 Desember 2016). Setelah data dibagi

menjadi dua bagian, data diubah ke dalam bentuk time series yang nantinya

digunakan sebagai variabel input berupa data dari dua jam sebelumnya, satu

jam sebelumnya dan data pada jam tersebut (𝑡 – 2 , – 1 , dan 𝑡) dan variabel

output berupa hasil prediksi untuk satu jam kedepan, enam jam kedepan, dua

belas jam kedepan dan satu hari kedepan (𝑡 + 1, 𝑡 + 6, 𝑡 + 12, dan 𝑡 + 24)

pada prediksi kecepatan arus, curah hujan dan ketinggian gelombang.

Sedangkan untuk prediksi curah hujan, variabel input berupa data dua hari

sebelumnya, data satu hari sebelumnya, dan data pada hari tersebut (ℎ −

2, ℎ − 1, ℎ)dan variabel output berupa hasil prediksi curah hujan untuk satu

hari kedepan (ℎ + 1).

B. Hasil

1. Kecepatan Arus

Variabel cuaca maritim pada penelitian ini adalah kecepatan

arus laut. Pada perancangan ini terdapat 3 variabel input yaitu kecepatan

arus 2 jam sebelumnya 𝑣(𝑡 − 2), 1 jam sebelumnya 𝑣(𝑡 − 1), dan saat itu

(𝑡), serta output yang dihasilkan adalah prediksi kecepatan arus satu jam

𝑣(𝑡 + 1) , enam jam 𝑣(𝑡 + 6) , dua belas jam 𝑣(𝑡 + 12) dan sehari

kedepan 𝑣(𝑡 + 24) . Fungsi ANFIS pada penelitian ini menggunakan

genfis 1 yaitu menggunakan keanggotaan jenis ‘gaussmf’ dengan jumlah

membership function sebanyak 2 dan 3 dan dilakukan sebanyak 100 kali

iterasi. Pada genfis 1 perubahan jumlah iterasi tidak akan mempengaruhi

nilai error, sehingga peneliti hanya menentukan 100 kali iterasi.


29

29

Pada penelitian ini, fungsi anfis menggunakan 2 membership

function dan 3 membership function sehingga dapat dilihat nantinya hasil

paling optimal untuk prediksi kecepatan arus menggunakan fungsi ANFIS

dengan genfis 1 adalah dengan menggunakan 2 membership function atau

3 membership function.dan target error dalam prediksi kecepatan arus

menggunakan Error Mean dengan persamaan 4.1 dan 4.2.

𝑒𝑟𝑟 = (𝑌 𝑎𝑛𝑓𝑖𝑠 − 𝑌 𝑑𝑎𝑡𝑎) (4.1)

𝑒𝑟𝑟𝑜𝑟 𝑚𝑒𝑎𝑛 = |(∑𝑒𝑟𝑟)/𝑛|, dengan n = jumlah keseluruhan data(4.2)

Selanjutnya pengujian prediksi kecepatan arus akan

direpresentasikan pada Gambar 3 s/d Gambar 4.

Gambar 4.1. Hasil ANFIS dengan menggunakan MATLAB

Dalam penelitian ini, menggunakan genfis 1 untuk

memprediksi kecepatan arus. Sehingga klik Grid Prtitioning (genfis 1).

Selanjutnya isi kolom Number of MF’s dengan ‘2’, isi Input MF Type

dengan ‘gaussmf’ dan Output MF Type dengan ‘linear’ yang artinya

penelitian ini menggunakan 2 membership function berbentuk gaussmf

dan outputnya berupa linear.


30

30

Gambar 4.2. Mengisi Parameter ANFIS Generation Methods dari genfis 1

Dan hasil prediksi kecepatan arus menggunakan metode ANFIS

dengan genfis 1 akan direpresentasikan pada Gambar 5 s/d Gambar 12

dimana sumbu x menunjukkan waktu dan sumbu y menunjukkan

kecepatan arus.


31

31

Gambar 4.3. Grafik Hasil Prediksi Kecepatan Arus Satu Jam Kedepan dengan Number of

MF’s Sebanyak ‘2’


32

32

Gambar 4.4. Grafik Hasil Prediksi Kecepatan Arus Enam Jam Kedepan dengan Number of



33

33

Gambar 4.5. Grafik Hasil Prediksi Kecepatan Arus Dua Belas Jam Kedepan dengan Number

of MF’s Sebanyak ‘2’


34

34

Gambar 4.6. Grafik Hasil Prediksi Kecepatan Arus Satu Hari Kedepan dengan Number of



35

35

Gambar 4.7. Grafik Hasil Prediksi Kecepatan Arus Satu Jam Kedepan dengan Number of



36

36

Gambar 4.8. Grafik Hasil Prediksi Kecepatan Arus Enam Jam Kedepan dengan Number of



37

37

Gambar 4.9. Grafik Hasil Prediksi Kecepatan Arus Duabelas Jam Kedepan dengan

Number of MF’s Sebanyak ‘3’


38

38

Gambar 4.10. Grafik Hasil Prediksi Kecepatan Arus Satu Hari Kedepan dengan Number of


2. Curah Hujan

Variabel cuaca maritim pada penelitian ini adalah Curah Hujan.

Pada perancangan ini terdapat 3 variabel input yaitu curah hujan 2 hari

sebelumnya 𝑐(ℎ − 2), 1 hari sebelumnya 𝑐(ℎ − 1), dan saat itu (ℎ), serta

output yang dihasilkan adalah prediksi curah hujan satu hari kedepan

𝑐(ℎ + 1). Fungsi ANFIS pada penelitian ini menggunakan genfis 1 yaitu

menggunakan keanggotaan jenis ‘gaussmf’ dengan jumlah membership


39

39

function sebanyak 2 dan 3 dan dilakukan sebanyak 100 kali iterasi. Pada

genfis 1 perubahan jumlah iterasi tidak akan mempengaruhi nilai error,

sehingga peneliti hanya menentukan 100 kali iterasi.



paling optimal untuk prediksi curah hujan menggunakan fungsi ANFIS

dengan genfis 1 adalah dengan menggunakan 2 membership function atau

3 membership function.dan target error dalam prediksi curah hujan

menggunakan Error Mean dengan persamaan 4.1 s/d 4.3.


𝑀𝑆𝐸 = (∑▒〖(𝑒𝑟𝑟^2)〗)/𝑛 (4.2)

𝑅𝑀𝑆𝐸 = √𝑀𝑆𝐸, dengan n = jumlah keseluruhan data (4.3)

Selanjutnya pengujian prediksi curah hujan akan

direpresentasikan pada Gambar 4.11 s/d Gambar 4.12 sebagai berikut:



memprediksi curah hujan Sama seperti prediksi kecepatan arus, klik Grid

Prtitioning (genfis 1). Selanjutnya isi kolom Number of MF’s dengan ‘2’,


40

40

isi Input MF Type dengan ‘gaussmf’ dan Output MF Type dengan ‘linear’

yang artinya penelitian ini menggunakan 2 membership function

berbentuk gaussmf dan outputnya berupa linear.


Dan hasil prediksi curah hujan menggunakan metode ANFIS

dengan genfis 1 akan direpresentasikan pada Gambar 15 dan Gambar 16

dimana sumbu x menunjukkan waktu dan sumbu y menunjukkan curah

hujan.


41

41

Gambar 4.13. Grafik Hasil Prediksi Curah Hujan Satu Hari Kedepan dengan Number of



42

42

Gambar 4.14. Grafik Hasil Prediksi Curah Hujan Satu Hari Kedepan dengan Number of



43

43

3. Ketinggian Gelombang

Variabel cuaca maritim pada penelitian ini adalah ketinggian

gelombang. Pada perancangan ini terdapat 3 variabel input yaitu

ketinggian gelombang 2 jam sebelumnya ℎ(𝑡 − 2), 1 jam sebelumnya

ℎ(𝑡 − 1), dan saat itu (𝑡), serta output yang dihasilkan adalah prediksi

ketinggian gelombang satu jam ℎ(𝑡 + 1), enam jam ℎ(𝑡 + 6), dua belas

jam ℎ(𝑡 + 12) dan sehari kedepan ℎ(𝑡 + 24) . Fungsi ANFIS pada

penelitian ini menggunakan genfis 1 yaitu menggunakan keanggotaan

jenis ‘gaussmf’ dengan jumlah membership function sebanyak 2 dan 3

dan dilakukan sebanyak 100 kali iterasi. Pada genfis 1 perubahan jumlah

iterasi tidak akan mempengaruhi nilai error, sehingga peneliti hanya

menentukan 100 kali iterasi.



paling optimal untuk prediksi ketinggian gelombang menggunakan fungsi

ANFIS dengan genfis 1 adalah dengan menggunakan 2 membership

function atau 3 membership function.dan target error dalam prediksi

ketinggian gelombang menggunakan Error Mean dengan persamaan 4.1

dan 4.2.


𝑒𝑟𝑟𝑜𝑟 𝑚𝑒𝑎𝑛 = (∑▒𝑒𝑟𝑟)/𝑛, dengan n = jumlah keseluruhan data (4.2)

Selanjutnya pengujian prediksi ketinggian gelombang akan

direpresentasikan pada Gambar 17 s/d Gambar 18.


44

44



memprediksi ketinggian gelombang. Sehingga klik Grid Prtitioning

(genfis 1). Selanjutnya isi kolom Number of MF’s dengan ‘2’, isi Input

MF Type dengan ‘gaussmf’ dan Output MF Type dengan ‘linear’ yang

artinya penelitian ini menggunakan 2 membership function berbentuk

gaussmf dan outputnya berupa linear.


Dan hasil prediksi ketinggian gelombang menggunakan metode

ANFIS dengan genfis 1 akan direpresentasikan pada Gambar 19 s/d


45

45

Gambar 26 dimana sumbu x menunjukkan waktu dan sumbu y

menunjukkan ketinggian gelombang.

Gambar 4.17. Grafik Hasil Prediksi Ketinggian Gelombang Satu Jam Kedepan dengan



46

46

Gambar 4.18. Grafik Hasil Prediksi Ketinggian Gelombang Enam Jam Kedepan dengan



47

47

Gambar 4.19. Grafik Hasil Prediksi Ketinggian Gelombang Dua Belas Jam Kedepan dengan



48

48

Gambar 4.20. Grafik Hasil Prediksi Ketinggian Gelombang Satu Hari Kedepan dengan



49

49

Gambar 4.21. Grafik Hasil Prediksi Ketinggian Gelombang Satu Jam Kedepan

dengan Number of MF’s Sebanyak ‘3’


50

50

Gambar 4.22. Grafik Hasil Prediksi Ketinggian Gelombang Enam Jam Kedepan dengan



51

51

Gambar 4.23. Grafik Hasil Prediksi Ketinggian Gelombang Duabelas Jam Kedepan dengan



52

52

Gambar 4.24. Grafik Hasil Prediksi Ketinggian Gelombang Satu Hari Kedepan dengan



53

53

BAB V

PEMBAHASAN DAN DISKUSI PENELITIAN

A. Pembahasan

1. Kecepatan Arus

Berdasarkan hasil pengujian pada Gambar 5 s/d Gambar 12,

dapat dilihat bahwa grafik prediksi dari data uji (warna biru) dengan data

Ts-Anfis (warna hijau) memiliki kecenderungan yang sama dengan data

uji. Pada kasus ini Ts-Anfis untuk satu jam kedepan sampai satu hari

kedepan tampak sama dan didapatkan hasil bahwa prediksi kecepatan

arus laut dengan menggunakan Ts-Anfis menghasilkan nilai mean error

yang relatif kecil sebagaimana yang direpresentasikan pada tabel 3.

Tabel 5.1. Nilai-nilai Prediksi Kecepatan Arus

No Waktu

Prediksi

(kedepan)

Jumlah

Data

Validasi

Hasil

Prediksi

Kecepatan

Arus

dengan 2

Mf

Nilai

Error

Mean

dengan 2

Mf

Hasil

Prediksi

Kecepatan

Arus

dengan 3 Mf

Nilai

Error

Mean

dengan 3

Mf

1 1 Jam 2190 16.97327 0.12993 12.5968 0.36414

2 6 Jam 2190 13.22302 1.5758 12.2798 1,4212

3 12 Jam 2190 10.21107 1.3182 10.5245 1,2122

4 24 Jam 2190 14.09871 0.82613 14.0586 7,7914

Dari hasil tabel 5.1, nilai error mean terkecil untuk prediksi

kecepatan arus 1 jam kedepan, lebih bagus menggunakan fungsi

53


54

54

keanggotaan sejumlah 2, untuk prediksi kecepatan arus 6 jam kedepan,

lebih bagus menggunakan fungsi keanggotaan sejumlah 3, untuk prediksi

kecepatan arus 12 jam kedepan, lebih bagus menggunakan fungsi

keanggotaan sejumlah 3, dan untuk prediksi kecepatan arus 1 hari

kedepan, lebih bagus menggunakan fungsi keanggotaan sejumlah 2. Akan

tetapi, prediksi kecepatan arus dengan fungsi keanggotaan sejumlah 2

secara komulatif lebih bagus dan lebih optimal dari pada menggunakan

fungsi keanggotaan sejumlah 3.

Dari hasil tabel 5.1, nilai error mean terkecil adalah 0.12993,

nilai ini mengidentifikasikan bahwa model ini sangat baik untuk

memprediksi satu jam kedepan dan hasilnya lebih akurat dibandingkan

prediksi kecepatan arus satu hari kedepan. Hal ini terjadi karena pola data

time series berhubungan dengan interval waktu atau jangkauan data

sehingga prediksi cuaca maritim ini hanya dapat digunakan untuk

melakukan forecasting dalam waktu singkat.

2. Curah Hujan

Berdasarkan hasil pengujian pada Gambar 15 s/d Gambar 16,

dapat dilihat bahwa grafik prediksi dari data uji (warna biru) dengan data

Ts-Anfis (warna hijau) memiliki kecenderungan yang sama dengan data

uji. Pada kasus ini Ts-Anfis untuk satu hari kedepan tampak sama dan

didapatkan hasil bahwa prediksi curah hujan laut dengan menggunakan

Ts-Anfis menghasilkan nilai RMSE yang relatif kecil sebagaimana yang

direpresentasikan pada tabel 5.2


55

55

Tabel 5.2. Nilai-nilai Prediksi Curah Hujan

No Waktu

Prediksi

(kedepan)

Prediksi

Curah

Hujan

dengan 2

Mf

Nilai

RMSE

dengan 2

Mf

Prediksi

Curah

Hujan

dengan 3

Mf

Nilai

RMSE

dengan 3

Mf

1 1 Hari 1.60724 0.57819 7.7072 2.0314

3. Ketinggian Gelombang

Berdasarkan hasil pengujian dan prediksi pada Gambar 19 s/d

Gambar 26, dapat dilihat bahwa grafik prediksi dari data uji (warna biru)

dengan data prediksi Ts-Anfis (warna hijau) tidak memiliki perbedaan yang

signifikan. Pada kasus ini Ts-Anfis untuk satu jam kedepan sampai satu hari

kedepan tampak sama dan didapatkan hasil bahwa prediksi ketinggian

gelombang laut dengan menggunakan Ts-Anfis menghasilkan nilai-nilai

error yang relatif kecil sebagaimana direpresentasikan pada tabel 5.3.

Tabel 5.3. Nilai-nilai Prediksi Ketinggian Gelombang

No Waktu

Prediksi

(kedepan)

Jumlah

Data

Validasi

Prediksi

Ketinggian

Gelombang

dengan 2

Mf

Nilai

Error

Mean

dengan 2

Mf

Prediksi

Ketinggian

Gelombang

dengan 3

Mf

Nilai

Error

Mean

dengan 3

Mf

1 1 Jam 2190 0.45554 0.0012247 0.6616 0.1971

2 6 Jam 2190 0.48286 0.018619 0.6174 0.14431

3 12 Jam 2190 0.46395 0.046584 0.5977 0.14615

4 24 Jam 2190 0.54571 0.060206 0.5547 0.043252

Dari hasil tabel 5.3, nilai error mean terkecil untuk prediksi

ketinggian gelombang 1 jam kedepan, lebih bagus menggunakan fungsi

keanggotaan sejumlah 2, untuk prediksi ketinggian gelombang 6 jam


56

56

kedepan, lebih bagus menggunakan fungsi keanggotaan sejumlah 2, untuk

prediksi ketinggian gelombang 12 jam kedepan, lebih bagus menggunakan

fungsi keanggotaan sejumlah 2, dan untuk prediksi k ketinggian

gelombang 1 hari kedepan, lebih bagus menggunakan fungsi keanggotaan

sejumlah 3. Akan tetapi, prediksi ketinggian gelombang dengan fungsi

keanggotaan sejumlah 2 secara komulatif lebih bagus dan lebih optimal

dari pada menggunakan fungsi keanggotaan sejumlah 3.

Dari hasil tabel 5.3, nilai error mean terkecil adalah 0.0012247,

nilai ini mengidentifikasikan bahwa model ini sangat baik untuk

memprediksi satu jam kedepan dan hasilnya lebih akurat dibandingkan

prediksi ketinggian gelombang satu hari kedepan. Sama halnya dengan

kecepatan arus, hal ini terjadi karena pola data time series berhubungan

dengan interval waktu atau jangkauan data. Semakin kecil interval waktu

atau beda jangkauan data maka hasil yang didapatkan juga semakin akurat,

dan sebaliknya sehingga prediksi cuaca maritim ini hanya dapat digunakan

untuk mem-forecast dalam waktu singkat.

4. Analisis Kelayakan Pelayaran

Dari hasil prediksi yang dihasilkan Ts-Anfis menunjukkan

bahwa prediksi kecepatan arus pada satu jam, 6 jam, 12 jam dan 24 jam

mendatang masing-masing adalah 16.97327 cm/s; 13.22302 cm/s;

10.21107 cm/s; 14.09871 cm/s; dan prediksi curah hujan untuk satu hari

adalah 1.60724 mm/hari dengan ketinggian gelombang mencapai 0.45554

m; 0.48286 m; 0.46395 m; 0.54571 m untuk waktu 1 jam, 6 jam, 12 jam


57

57

dan 24 jam. Dengan demikian, pada 1 Januari 2017 perairan jawa

terutama bagian Gresik dalam kondisi aman dan layak untuk dilakukan

pelayaran karena baik kecepatan arus, curah hujan maupun ketinggian

gelombang masih dalam batas kewajaran. Namun demikian, masih perlu

kewaspadaan terhadap kecepatan arus pada 6 dan 12 jam ke depan

mengingat mean error hasil prediksi relatif lebih besar jika dibandingkan

dengan error mean untuk kondisi 1 jam dan 24 jam.


58

58

BAB VI

PENUTUP

A. Kesimpulan

Berdasarkan penelitian yang telah dilakukan, diperoleh kesimpulan

sebagai berikut:

1. Menggunakan metode Adaptive Neuro Fuzzy Inference System (ANFIS)

Time Series diperoleh hasil prediksi cuaca maritim pada perairan Gresik

sebagai berikut:

a. Untuk kecepatan arus, dengan menggunakan Membership Function

(MF) 2 diperoleh hasil prediksi pada 1 jam, 6 jam, 12 jam, dan 24

jam mendatang masing-masing adalah 16.97327 cm/s, 13.22302

cm/s, 10.21107 cm/s, dan 14.09871 cm/s. Sedangkan untuk

Membership Function (MF) 3 diperoleh hasil prediksi pada 1 jam, 6

jam, 12 jam, dan 24 jam mendatang masing-masing adalah 12.5968

cm/s, 12.2798 cm/s, 10.5245cm/s, dan 14.0586 cm/s.

b. Untuk curah, dengan menggunakan Membership Function (MF) 2

diperoleh hasil prediksi untuk satu hari adalah 1.60724 mm/hari.

c. Untuk ketinggian gelombang, dengan menggunakan Membership

Function (MF) 2 diperoleh hasil prediksi pada 1 jam, 6 jam, 12 jam,

dan 24 jam 0.45554 m, 0.48286 m, 0.46395 m, dan 0.54571 m.

Sedangkan untuk Membership Function (MF) 3 diperoleh hasil

prediksi pada 1 jam, 6 jam, 12 jam, dan 24 jam mendatang masing-

masing adalah 0.6616 m, 0.6174 m, 0.5977 m, dan 0.5547m.

58


59

59

2. Dari hasil prediksi yang dihasilkan Ts-Anfis menunjukkan prediksi

kecepatan arus, curah hujan, dan tinggi gelombang pada satu jam, 6 jam,

12 jam dan 24 jam mendatang pada tanggal 1 Januari 2017 di perairan

jawa terutama bagian Gresik dalam kondisi aman dan layak untuk

dilakukan pelayaran karena baik kecepatan arus, curah hujan maupun

ketinggian gelombang masih dalam batas kewajaran.

B. Rekomendasi

Rekomendasi untuk penelitian lebih lanjut dapat dikembangkan

lebih dalam lagi dengan mengaplikasikan hasil prediksi yang telah diperoleh

dalam bentuk graphic interface atau dalam bentuk display agar hasil yang

telah diperoleh menjadi lebih komunikatif dengan masyarakat untuk

mempertimbangkan apakah pada cuaca dengan parameter tersebut dapat

dilakukan pelayaran atau tidak. Hal ini menjadi salah satu hal yang penting

mengingat banyaknya kejadian kecelakaan yang diakibatkan oleh kondisi

cuaca laut yang tidak dapat dianalisis secara sederhana.

Perkembangan lain yang dapat dilakukan adalah penambahan

parameter seperti pasang surut dan beberapa parameter lain yang

berhubungan dengan faktor penentu cuaca pada jalur laut. Sehingga apabila

banyak faktor yang dipertimbangkan pada prediksi cuaca laut maka akan

mendekati dengan keadaan sebenarnya sebagai pratinjau sebelum melakukan

perjalanan pada jalur laut.


60

60

DAFTAR PUSTAKA

Anshari, M. K., Arifin, S., & Rahmadiansah, a. (2013). Perancangan Prediktor

Cuaca Maritim Berbasis Logika Fuzzy Menggunakan User Interface

Android. JURNAL TEKNIK POMITS, 2(2), 2.

Arvinata, T. (2008). Pengenalan Sistem dan Teknik, serta Contoh Aplikasi Data

Mining.

Chang, H.-K., & Chien, W.-A. (2006). A Fuzzy-Neural Hybrid System of

simulating Typhoon Waves. Coastal Enginering, ScienceDirect, 737-748.

Habibullah, N. W., Arifin, S., & Widijiantoro, B. L. (2012). Perancangan Sistem

Prediktor Cuaca Maritim dengan Menggunakan Metode Fuzzy Takagi

Sugeno. JURNAL TEKNIK POMITS, 1(1), 1.

Imam Wahyudiyanta, 2017, “Dua Korban Kapal Nelayan Lamongan yang Hilang

Belum ditemukan”,(https://news.detik.com/berita-jawa-timur/d-

3415617/dua-korban-kapal-nelayan-lamongan-yang-hilang-belum-

ditemukan, diakses 26 Maret 2017)

M Yakub, 2016, “Nelayan Tidak Melaut, Ikan Laut Segar Langka”,

(https://news.detik.com/media-

Indonesia/Nelayan_tidak_melaut_ikan_laut_segar_langka, diakses 12

Maret 2017)







61

61

M. Muthohar. (2017). Geger Nelayan Tuban Tewas di

Pantai.http://beritajatim.com/peristiwa/290711/geger_nelayan_tuban_tewa

s_di_pantai.html. Diakses 26 Maret 2017.

Nanang Masyhari, 2016, “Cari Udang Lobster, Nelayan Trenggalek Tewas

Terseret Ombak”,

(http://beritajatim.com/peristiwa/279938/cari_udang_lobster,_nelayan_tre

nggalek__tewas_terseret_ombak.html.diakses 12 Maret 2017)

P, A. H., Arifin, S., & Aisyah, A. S. (2010). Perancangan Sistem Informasi Cuaca

Maritim untuk Para Nelayan Jawa Timur dengan Media Komunikasi Short

Message Service. 1.

Pertomo, E. S. (2013). Perancangan Aplikasi Perkiraan Cuaca Wilayah

Yogyakarta Berbasis Android. 5.

Prasetyo, E. (2014). Data Mining, Mengelola Data Menjadi Informasi

Menggunakan Matlab. Yogyakarta: ANDI Yogyakarta.

Sharma, S., & Chouhan, M. (2014). A Review : Fuzzy Time Series Model for

Forecasting. International Journal of Advances in Science and Technology

(IJAST), 2(3), 1.






62

62

Rindi Suwito, “Dua Nelayan Banyuwangi Hilang di Laut Situbondo”,

(http://beritajatim.com/peristiwa/289481/dua_nelayan_banyuwangi_hilang

_di_laut_situbondo.html, diakses 26 Maret 2017)

Rindi Suwito, 2017, “Nelayan Hilang, TRC BPBD Banyuwangi Sisir Selat Bali”

(http://beritajatim.com/peristiwa/289523/nelayan_hilang,_trc_bpbd_banyu

wangi_sisir_selat_bali.html, diakses 12 Maret 2017)

Temmy P, 2017, “Cuaca Ekstrem, Nelayan Sumenep ‘Nganggur”,

(http://beritajatim.com/peristiwa/289521/cuaca_ekstrem,_nelayan_sumene

p_'nganggur'.html, diakses 12 Maret 2017)







REKTOR UIN SUNAN AMPEL SURABAYA,

a. bahwa dalam rangka menindaklanjuti Keputusan Rektor UIN Sunan Ampel Surabaya Nomor : Un.07 / 1/TL.OO/SK/670/P/2016 tentang Penundaan Bantuan Penelitian Pemula Individual, Pemula Kolektif, Unggulan Interdisipliner dan Unggulan Multiyears Tahun 2016;

b. bahwa dalam rangka menunjang pelaksanaan penelitian Pemula Individual, Pemula Kolektif, Madya Individual, Madya Kolektif, Unggulan Interdisipliner, Unggulan Multiyears, Unggulan Internasional dan Penelitian Kelembagaan tahun 2017 UIN Sunan Ampel Surabaya, perlu memberikan bantuan penelitian dimaksud;

c. bahwa mereka yang namanya tercantum dalam Lampiran Keputusan ini, dipandang memenuhi syarat untuk diberikan bantuan penelitian;

d. bahwa berdasarkan pertimbangan huruf a, b dan c diatas, perlu menetapkan Keputusan Rektor UIN Sunan Ampel Surabaya tentang Penerima Bantuan Penelitian Tahun 2017 UIN Sunan Ampel Surabaya;

1. Undang-undang Nomor 12 Tahun 2012 tentang Pendidikan Tinggi; 2. Peraturan Pemerintah Nomor 4 Tahun 2014 tentang

Penyelenggaraan Pendidikan Tinggi dan Pengelolaan Perguruan Tinggi;

3. Peraturan Menteri Agama Nomor 8 Tahun 2014 ten tang Organisasi dan Tata Kerja Universitas Islam Negeri Sunan Ampel Surabaya;

4. Peraturan Menteri Agama Nomor 55 Tahun 2014 tentang Penelitian dan Pengabdian kepada Masyarakat pada Perguruan Tinggi Keagamaan;

5. Peraturan Menteri Riset, Teknologi dan Pendidikan Tinggi Nomor 44 Tahun 2015 tentang Standar Nasional Pendidikan Tinggi;

6. Peraturan Menteri Riset, Teknologi dan Pendidikan Tinggi Nomor 62 Tahun 2016 tentang Sistem Penjaminan Mutu Pendidikan Tinggi.

7. Keputusan Direktur Jenderal Pendidikan Islam No. 1056 Tahun 2017 tentang Panduan Umum Perencanaan, Pelaksanaan dan Pelaporan Penelitian Pada Perguruan Tinggi Keagamaan Islam.

KEPUTUSAN REKTOR UIN SUNAN AMPEL SURABAYA NOMOR 269 TAHUN 2017

TENTANG PENERIMA BANTUAN PENELITIAN

TAHUN 2017 UIN SUNAN AMPEL SURABAYA

UIN SUNAN AMPEL SURABAYA

Mengingat

Menimbang

Tembusan: 1. Direktur Jenderal Pendidikan Agama Islam Kementerian Agama RI, Jakarta; 2. Wakil Rektor UIN Sunan Ampel Surabaya; 3. Kabiro AAKK dan AUPK UIN Sunan Ampel Surabaya; 4. Dekan Fakultas UIN Sunan Ampel Surabaya; 5. Bendahara Pengeluaran UIN Sunan Ampel Surabaya; zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA6. Ybs.

Ditetapkan di Surabaya pada tanggal 5 Mei 2017 REKTOR /

~=::::::-......KUASA PENGGUNA ANGGARAN,

Keputusan ini mulai berlaku pada tanggal ditetapkan. KELI MA

Biaya yang dikeluarkan sebagai akibat Keputusan ini dibebankan kepada anggaran DIPA Tahun Anggaran 2017 UIN Sunan Ampel Surabaya Nomor: SP DIPA-025.04.2.423770/2017, tanggal 7 Desember 2016.

KEEMPAT

NO NAMA FAKULTAS JUD UL JUMLAH zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBAI zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA. .., , zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA.. zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA4 ... zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA1 Dr. Ali Maksum, M.Ag., M.Si. TARBIYA H DAN KONFLIK IDEOLOGI ANTARA

Nip.' 197003041995031002 KEGURUAN ORMAS ISLAM RADIKAL DAN Rp 30,000,000

Saifullah ORMAS ISLAM MODERAT DI KOTA

Nim.D01213047 MALA NG

Nurul Faizatin Nim.D03215026

Rah mat Nim.D03215028

2 M. Bahri Musthofa, M.Pd.I, M.Pd. TARBIYAH DAN PENGEMBANGAN KECERDASAN Nip.' 197307222005011005 KEGURUAN INTRAPERSONAL DAN Rp 30,000,000

INTERPERSONAL DI PENDIDIKAN

Ikrima LUAR SEKOLAH (Studi Kasus di

Nim.D97214107 Sanggar Alang-alang Surabaya)

Lola Oktafianti Nim.D9721411 l Nur Oktaviani Nim.D97214115

3 Dr. Husniyatus Salamah TARBIYAH DAN DERADIKALISASI PEMAHAMAN AL- Zainiyati, M.Ag KEGURUAN QUR'AN DENGAN PENDEKATAN Rp 30,000,000 Nip.' 196903211994032003 MULTIDISIPLINER "(Upaya

Fikiy Afriyanto mengembangkan Bahan Ajar

Nim.D932 l 504 l Pendidikan Agama Islam Yang

Mustaidatul Khoiroh Inklusif-Pluralis Di SMA )"

Nim.D93215048

Abdul Qohar Nim.D93215060

4 Dra. Irma Soraya, M.Pd TARBIYAH DAN ANALISA KEGIATA Nip.' 196709301993032004 KEGURUAN PEMBELAJARAN BAHASA INGGRIS

Rp 30,000,000

Luluk Fatikah Sari DALAM MEMFASILITASI HIGH Nim.D75213074 ORDER THINKING SKILL PADA

Taufik Hidayat SISWA CERDAS ISTIMEWA 2

Nim.D75213103 TAHUN MA UNGGULAN AMANA TUL

Hamidah Salam UM MAH

Nim.D95213121

5 Ahmad Zainul Hamdi, M.Ag USHULUDDIN GERAKAN ISLAM KONTEMPORER Nip.' l 97205182000031001 DAN FILSAFAT (Studi tentang Ideologi Gerakan

Rp 30,000,000

Lufiani Lestari Keagamaan Masyarakat Urban di Nim.E02213015 Kota Surabaya)

Mega Juwita Purwaningrum Nim.E02213022 Muharomatus Sholiha Nim.E02213027

PENERIMA BANTUAN PENELITIAN MADYA KOLEKTIF UIN SUNAN AMPEL SURABAYA TAHUN 2017

LAMPIRAN VI

KEPUTUSAN REKTOR

UIN SUNAN AMPEL SURABAYA

NO MOR 269 TAHUN 2017

TANGGAL 5 MEI 2017 TENTANG PENERIMA BANTUAN PENELITIAN TAHUN 2017 UIN SUNAN AMPEL SURABAYA

19 zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBADr. Abdul Basith Junaidy, M.Ag SYARJAH DAN PENYERANGAN TERHADAP WARGA Nip.' 197110212001121002 HU KUM SIPIL DALAM BERBAGAI KASUS Rp 30,000,000

Taha Maksum PENGEBOMAN PERSPEKTIF

Nim.C03213054 HUKUM ISLAM

Lailatul Utiya Choirroh Nim.C33213066

Nyoman Nidia Sari Hayati Nim.C93213110 zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA

20 Yusuf Amrozi, M.MT SAINS DAN DESAIN SISTEM INFORMASI Nip.' 197607032008011014 TEKNOLOGI PEMASARAN E COMMERCE PADA

Rp 30,000,000

Muhamad Bagus Subekti MIK RO, KECIL DAN MENENGAH

Nim.B062l4017 (UMKM)"BANDENG MENTARI" UD.

Ellyda Retpitasari MULTI SARANA NIAGA GRESII(

Nim.B96214095 UNTUK MENINGKATKAN

Fitri Rachmawati PE MA SARAN

Nim.B96214120

Yusuf Amrozi, M.MT Nip.' 197607032008011014

21 Laili Bariroh, M.Si ILMU SOSIAL Pareidolia Poli tik Dalam Aksi Massa Nip.'197711032009122002 DAN ILMU 212 (Studi tentang Kuasa Simbol

Rp 30,000,000

Susan Rahmawati POLITIK Pada Artikulasi Kepentingan Front

Nim.E04213106 Pembela Islam Sidoarjo)

Tika Lestari Nim.E042131 l l Wisnu Ayu Dara Jati Nim.E04213114

22 Dr .. Damanhuri, MA USHULUDDIN EKSISTENSI DAN PERAN Nip.' 195304101988031001 DAN FILSAFAT PESANTREN DI DAERAH

Rp 30,000,000

Nur Aini Masfufah MINORITAS MUSLIM (STUD! DI Nim.D04213026 PESANTREN RAUDHOTUL Nur Qomarul Lailiyah HUFFADZ TABANAN BALI ) Nim.D75213090

Siti Devi Anggraeni Nim.D91214102

23 Imam Buchori, SE, M.Si EKONOMI DAN IMPLEMENTASISTANDAR Nip.' 196809262000031001 BISNIS ISLAM AKUNTANSI PEMERI TAHAN

Rp 30,000,000

Ananta Dwi Setyo DALAM MENENTUKAN KUALITAS Nim.G72214018 LAPORAN KEUANGAN

Anas Adrianto UNIVERSITAS ISLAM NEGERI

Nim.G92214027 SUNAN AMPEL SURABAYA TAH UN

Assasiyatul Faizah 2013-2016 (SESUAI PERNYATAAN

Nim.G92214028 NO. 13 TENTANG PENYAJIAN LAPORAN KEUANGAN BADAN LA YANAN UMUM)

24 Ahmad Lubab, M.Si TARBIYAH DAN Prediksi Pola Cuaca Maritim (Tinggi Nip.'198111182009121003 KEGURUAN Gelombang, Curah Hujan, dan

Rp 30,000,000

Deasy Al fiah Adyanti Kecepatan Arus) Menggunakan Nim.H72214013 Adaptive Neuro Fuzzy Inference

Fifi Diah Rosalina System Time Seriessebagai

Nim.H72214014 Peringatan Dini bagi Keselamatan

Fanny Dwi Lestari Nelayan di Perairan Gresik.

Nim.H922 l 4026

N,

37 Dr. Mukhammad Zamzami, Le, USHULUDDIN KONSTRUKSI SOSIAL-TEOLOGIS M.Fil.I DAN FILSAFAT RITUAL ASMA ARTHO DI Rp 30,000,000

Nip.198109152009011000 KWAGEAN PARE KEDIRI Fitriana Azza Nim.E01214005 Moch. Dwi Prasetio Nim.E71214026 Mustafa Aris Nim.E71214030

38 Dr. H. M. Shodiq, S.Ag, M.Si ILMU SOSIAL REDEFINE INFORMATION SYSTEM Nip.' 197504232005011002 DA ILMU PROMOTION CULTURE AND

Rp 30,000,000

Ahmad Mustain M POLITIK TOURISM SEBAGAI MEDIA

Nim.H06214001 PENDUKUNG AKTIFITAS

Taufiqurrochman BERWISATA SYARIAH DAN

Nim.H76214017 PENGENALA N BUDAYA LOKAL

Siti Nurazizah MENGGUNAKAN PETA DIGITAL

Nim.H96214025 BERBASIS MULTI PLATFORM DEVICE (WEB DAN MOBILE) zyxwvutsrqponmlkjihgfedcbaZYXWVUTSRQPONMLKJIHGFEDCBA

39 Dr. Suryani, S.Psi, M.Si PSIKOLOGI EFEKTIVITAS PRO-SESSION Nip.'197708122005012004 DA (PROGRAM SELF COMPASSION)

Rp 30,000,000

Dian Catur Puspitasari KESEHATAN DALAM PENINGKATAN RESILIENSI

Nim.J7 l 2 l 4036 AKADEMIK MAHASISWA".

Nila Audini Oktavia Nim.J91214094 Shinta Nur Faadhilah Nim.J9 l 2 l 4097

40 Maunah Setyawati, M.Si TARBIYAH DAN Pengembangan Soal Olimpiade Nip.'197411042008012008 KEGURUAN Matematika yang Mengintegrasikan

Rp 30,000,000

Itsna Lailatul Mas'udah Ilmu Islam sebagai Wujud

Nim.D04213014 Paradigma Twin Towers UIN Sunan

Wilda Yumna Safitri Ampel Surabaya

Nim.D042 l 3036

Arif Rahman Hakim Nim.D74213051

41 Ilham, M. Korn SAINS DAN HUBUNGAN POLA KONSUMSI Nip.198011082014031000 TEKNOLOGI KARBOHIDRAT DAN PROTEIN Rp 30,000,000

Luluk Martha TERHADAP !MT MAHASISWA

Nim.H052 l 4003 FAKULTAS SAINTEK

Syarifatul Hidayah Nim.H052 l 4006

Nahawanda Ahsanu Amala Nim.H752l4017

42 Dr. Agus Santoso, S.Ag, M.Pd MK/852/2017 PROGRAM CAMPUS SOCIAL Nip.' 197008251998031002 RESPONSIBILITY (CSR) DALAM

Rp 30,000,000

Tri Anita Jumaroh MENINGKATKAN KETERAMPILAN Nim.B53214040 PROSOSIAL MAHASISWA UIN

Zahra Nisaul Azizah SUNAN AMPEL (Studi Diskriptif

Nim.B532 l 404 l Kualitatif Pengabdian Mahasiswa

Mila Nur Anisa' Program CSR di Surabaya)

Nim.B932 l 3104

digilib.uinsby.ac.iddigilib.uinsby.ac.id/39760/4/laporan penelitian lppm 2017...kecepatan arus laut...

Documents